CN102156872B - 一种基于多光谱数据的物体识别方法和装置 - Google Patents
一种基于多光谱数据的物体识别方法和装置 Download PDFInfo
- Publication number
- CN102156872B CN102156872B CN 201010611248 CN201010611248A CN102156872B CN 102156872 B CN102156872 B CN 102156872B CN 201010611248 CN201010611248 CN 201010611248 CN 201010611248 A CN201010611248 A CN 201010611248A CN 102156872 B CN102156872 B CN 102156872B
- Authority
- CN
- China
- Prior art keywords
- gabor
- features
- identification
- feature
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000002592 echocardiography Methods 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 abstract description 5
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于多光谱数据的物体识别方法和装置。所述方法包括：S1.获取待识别物体的多光谱数据；S2.生成多个三维Gabor小波；S3.将所述多光谱数据和所述多个三维Gabor小波进行卷积操作，以得到多个Gabor响应；S4.基于所述多个Gabor响应生成多个识别Gabor特征；S5.基于所述多个识别Gabor特征识别所述待识别物体。实施本发明的多光谱数据的物体识别方法和装置，能够同时抽取物体在X-Y平面、光谱Z轴、以及联合X、Y、Z空间提取物体的变化信息，特征表述能很好的代表物体特性，并且能很好的抑制数据获取过程中的噪声，不需要复杂的分类器和大量训练数据；识别准确度更高。
Description
技术领域
本发明涉及光谱识别领域，更具体地说，涉及一种基于多光谱数据的物体识别方法和装置。
背景技术
多光谱数据目前在高空雷达成像中应用比较多。在通过不同波长的红外波获取不同地物的多光谱数据后，需要根据这些数据对地物的种类，如房屋、森林、草地等进行识别。由于多光谱数据量大，而数据的种类标定非常繁琐，所以不需训练或者只需少量训练样本的识别方法显得尤为重要。如果采用原始光谱数据进行识别，其中的噪声会大大影响准确率。为此，采用数学工具从这些多光谱数据抽取具有较大类间差异的特征，对于识别准确率显得尤为重要。
如果将多光谱数据中地物的空间位置作为X，Y平面，红外光谱的波长作为Z轴，则多光谱响应是一个三维空间的数据。由于相同地物在相同波段应该具有类似的光谱响应，识别系统采用的数学工具应该能够同时抽取物体在X，Y空间、光谱波长Z轴、以及联合X、Y、Z空间变化的特性，从而能够最大程度上代表物体的特性，并加以区分。
目前，研究人员已经对基于多光谱数据的物体识别方法进行了一定的研究，并取得了一定的成果。有研究人员采用二维Gabor小波先在同一波段的X-Y平面提取物体特征，然后将该不同波段的特征通过比较来获得三维空间信息。在该方法中，物体的特征表述在X-Y空间和Z轴是分步得到的，该信息没有同时捕捉物体在三维空间的变化。有研究人员采用三维Gabor小波同时抽取了物体在X-Y平面、光谱Z轴、以及联合X、Y、Z空间的变化特性，然后将物体分成若干小块，将块内的特征统计作为物体的整体描述。由于采用了统计方法，该特征在空间的分辨率不高，且该表述并没有用到Gabor小波的虚部，特征大大弱化。其他一些方法主要直接采用光谱特性作为识别依据，由于数据中大量噪声的存在，往往需要复杂的分类器，并且需要大量的训练样本才能达到较好的识别效果。
综上所述，目前传统的技术方案的缺点大致如下：
1.直接采用具有大量噪声的光谱数据作为识别依据，需要复杂的分类器和大量的训练数据；
2.从光谱响应抽取特征时，不能同时抽取物体在X-Y平面、光谱Z轴、以及联合X、Y、Z空间的变化特性，特征表述不能很好的代表物体特性；
3.能同时抽取X-Y-Z空间变化特性的方法的空间分辨率低，且没有用到Gabor小波的虚部，特征大大弱化。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种能够从具有大量噪声的多光谱数据中同时抽取物体在X-Y平面、光谱Z轴、以及联合X、Y、Z空间的变化特性；并在抽取具有代表性的物体特性的同时，保留其在三维空间的较高分辨率，从而达到准确的识别效果的基于多光谱数据的物体识别方法。
本发明解决其技术问题所采用的技术方案是：构造一种基于多光谱数据的物体识别方法，包括
S1.获取待识别物体的多光谱数据；
S2.生成多个三维Gabor小波；
S3.将所述多光谱数据和所述多个三维Gabor小波进行卷积操作，以得到多个Gabor响应；
S4.基于所述多个Gabor响应生成多个识别Gabor特征；
S5.基于所述多个识别Gabor特征识别所述待识别物体。
在本发明所述的基于多光谱数据的物体识别方法中，所述步骤S4进一步包括：
S41.基于设定参数从所述多个Gabor响应获取多个待选Gabor特征；
S42.使用训练数据从所述多个待选Gabor特征中选择识别准确率最高的待选Gabor特征加入到已选Gabor特征中；
S43.从剩余的所述多个待选Gabor特征中选择与所述已选Gabor特征融合后获得最大准确率增量的待选Gabor特征；
S44.判断所述最大准确率增量是否大于设定阈值，如果是执行步骤S45，否则执行步骤S46；
S45.将选择的所述待选Gabor特征加入到已选Gabor特征中，并返回到步骤S43；
在本发明所述的基于多光谱数据的物体识别方法中，所述设定参数包括幅值、相位和/或角度。
在本发明所述的基于多光谱数据的物体识别方法中，使用前向搜索或者后向搜索从所述多个Gabor响应生成所述多个识别Gabor特征。
在本发明所述的基于多光谱数据的物体识别方法中，所述多个识别Gabor特征包括所述待识别物体在X-Y平面、光谱Z轴、以及X、Y、Z空间中特定频率和方向的信号变化特性。
在本发明所述的基于多光谱数据的物体识别方法中，所述三维Gabor小波的生成函数为：
Gabor小波为其中fmax＝0.5，I＝J＝K＝4。
在本发明所述的基于多光谱数据的物体识别方法中，将所述多光谱数据和所述多个三维Gabor小波进行卷积操作由下列公式实现：
在本发明所述的基于多光谱数据的物体识别方法中，所述基于所述多个Gabor响应生成多个识别Gabor特征包括：
S4a、使用下列公式对所述多个Gabor响应取幅值：
mi，j，k(x，y，b)＝|gi，j，k(x，y，b)|
S4b.假设所述多光谱数据V(x，y，b)为B个频谱光扫描获得，将所有B波段的响应连接生成所述多个识别Gabor特征：
在本发明所述的基于多光谱数据的物体识别方法中，所述步骤S5进一步包括通过欧几里德距离计算待识别物体与最相似物体的相似程度，从而待识别物体识别为最相似的物体。
本发明解决其技术问题采用的另一技术方案是，构造一种基于多光谱数据的物体识别装置，包括：
获取模块，用于获取待识别物体的多光谱数据；
Gabor小波模块，用于生成多个三维Gabor小波；
卷积模块，用于将所述多光谱数据和所述多个三维Gabor小波进行卷积操作，以得到多个Gabor响应；
特征模块，用于基于所述多个Gabor响应生成多个识别Gabor特征，
识别模块，用于基于所述多个识别Gabor特征识别所述待识别物体。
实施本发明的多光谱数据的物体识别方法和装置，具有以下有益效果：
1.能够同时抽取物体在X-Y平面、光谱Z轴、以及联合X、Y、Z空间提取物体的变化信息，特征表述能很好的代表物体特性；
2.提取的特征能很好的抑制数据获取过程中的噪声，不需要复杂的分类器和大量训练数据；
3.仿真实验证明该发明可以获得比传统方法更高的识别准确度。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是根据本发明实施例的基于多光谱数据的物体识别方法的流程图；
图2是根据本发明实施例的基于多光谱数据的物体识别方法中使用的多光谱数据的三维遥感图像的二维截面图；
图3使用是根据本发明实施例的基于多光谱数据的物体识别方法生成的三维Gabor小波的其中一个小波的二维平面投影图；
图4是根据本发明实施例的基于多光谱数据的物体识别装置的原理框图。
具体实施方式
本发明的各种优点、各个方面和创新特征，以及其中所示例的实施例的细节，将在以下的描述和附图中进行详细介绍。
图1是根据本发明实施例的基于多光谱数据的物体识别方法的流程图。如图1所示，在步骤S1中，获取待识别物体的多光谱数据。本领域技术人员知悉，所述待识别物体的多光谱数据可以是通过飞机遥感获得的地面物体红外光谱数据，也可以是通过多光谱摄像头抓取的如人脸等实物数据，或者是采用其他本领域中已知的方法获取的多光谱数据。
在步骤S2中，生成多个三维Gabor小波。本领域技术人员可以根据实际需要，选择合适的Gabor小波生成函数，或者是Gabor滤波器来生成合适的三维Gabor小波，例如Log-Gabor等等。并且生成的Gabor小波的频率、角度以及其个数也均可以根据实际情况进行调整。根据本发明的教导，本领域技术人员可以根据实际需要对这些参数进行调整。在本发明的优选实施例中，设计4个频率，13个方向的52个三维Gabor小波，其中小波生成的函数如下：
在本发明的优选实
施例中，fmax＝0.5，I＝J＝K＝4。在本发明的其他优选实施例中，也可以选择不同频率、方向和数量的三维Gabor小波，如选择5个频率、12个方向的60个三维Gabor小波。
在步骤S3中，将所述多光谱数据和所述多个三维Gabor小波进行卷积操作，以得到多个Gabor响应。在本发明的一个优选实施例中，将上述步骤S2中生成的52个小波
和多光谱数据V(x，y，b)进行卷积操作，得到52个卷积后的响应图像
在本发明的另一优选实施例中，该卷积操作也可以通过将图像和小波分别进行快速傅立叶变换，变换到频域进行乘积操作，再将乘积进行快速反傅立叶变换得到。
在步骤S4中，基于所述多个Gabor响应生成多个识别Gabor特征。在本发明的一个优选实施例中，将上述步骤中获得的多个Gabor响应取幅值，mi，j，k(x，y，b)＝|gi，j，k(x，y，b)|。在本实施例中，假设所述多光谱数据通过B(B为正整数)个频谱的红外光扫描获得，将所有B波段的响应连接成为表示坐标(x，y)处的特征：
对于某物体(x，y)，52个小波总共可获得52个长度为B的识别Gabor特征。这52个识别Gabor特征中的每一个识别Gabor特征分别包含了物体在X-Y平面、光谱Z轴、以及联合X、Y、Z空间中特定频率和方向的信号变化特性，可以直接作为依据进行物体识别。为了包含更丰富和代表性的信息，可以将这52个识别Gabor特征都包括进来作为识别依据
在本发明的其他优选实施例中，也可通过对上述步骤中获得的多个Gabor响应取去相位值，角度值，或者其他参数值来生成多个识别Gabor特征。基于本发明的上述教导，本领域技术人员能够通过多个Gabor响应取去相位值，角度值，或者其他参数值来生成多个识别Gabor特征。
在步骤S5中，基于所述多个识别Gabor特征识别所述待识别物体。例如，可以通过欧几里德距离计算待识别物体与最相似物体的相似程度，从而待识别物体识别为最相似的物体。
实施本发明的多光谱数据的物体识别方法和装置，具有以下有益效果：
1.能够同时抽取物体在X-Y平面、光谱Z轴、以及联合X、Y、Z空间提取物体的变化信息，特征表述能很好的代表物体特性；
2.提取的特征能很好的抑制数据获取过程中的噪声，不需要复杂的分类器和大量训练数据；
3.仿真实验证明该发明可以获得比传统方法更高的识别准确度。
下面结合图2和图3对本发明的一优选实施例进行进步的介绍。在该优选实施例中，具体步骤如下：
在步骤a中，获取待识别物体的多光谱数据。在本实施例中，所述待识别物体的多光谱数据为1992年从美国印第安纳州西北部一处森林的高空遥感图像，图像通过185个频谱为0.58-0.62微米的红外波遥感获得，平面大小为145×145，该三维数据可以从网站https://engineering.purdue.edu/～biehl/MultiSpec/下载。图2为该三维遥感图像的二维投影面。
在步骤b中，生成多个三维Gabor小波。在本实施例中，小波生成的函数如下：
其中，fmax＝0.5，
I＝J＝K＝4。将不同的4个频率u和13个方向v代入该小波生成函数可生成52个不同频率、方向的三维Gabor小波其中一个小波的二维平面投影图见图3所示。
在步骤c中，将所述多光谱数据和所述多个三维Gabor小波进行卷积操作，以得到多个Gabor响应。在本实施例中，将上述52个小波和多光谱数据V(x，y，b)进行卷积操作，得到52个卷积后的大小为145×145×185三维响应图像gi(x，y，b)，i＝1，2，Λ52。当然，在本发明的另一优选实施例中，该卷积操作也可以通过将图像和小波分别进行快速傅立叶变换，变换到频域进行乘积操作，再将乘积进行快速反傅立叶变换得到。
在步骤d中，基于所述多个Gabor响应生成多个识别Gabor特征。在本实施例中，将步骤c的52个Gabor响应取幅值，mi(x，y，b)＝|gi(x，y，b)|，将所有波段的响应连接成为表示坐标(x，y)处的识别特征：Mi(x，y)＝[mi(x，y，1)mi(x，y，2)Λmi(x，y，185)]。对于某物体(x，y)，52个小波总共可获得52个长度为185的识别Gabor特征。
在本发明的其他优选实施例中，也可通过对上述步骤中获得的多个Gabor响应取去相位值，角度值，或者其他参数值来生成多个识别Gabor特征。基于本发明的上述教导，本领域技术人员能够通过多个Gabor响应取去相位值，角度值，或者其他参数值来生成多个识别Gabor特征。
在本发明的其他实施例中，为了包含更丰富和代表性的信息，也可以将这52个长度为185的识别Gabor特征都包括进来作为识别依据。但是这样带来的识别Gabor特征长度很长，并且其中有很多冗余信息。因此，在本实施例中，需要对其进行选择和融合。
因此，在步骤e中，对该识别Gabor特征进行选择和融合。在本实施例中，该对识别Gabor特征进行选择和融合的步骤包括步骤e1-e5。在步骤e1中，使用训练数据从所述多个待选Gabor特征中选择识别准确率最高的待选Gabor特征加入到已选Gabor特征中。在步骤e2中从剩余的所述多个待选Gabor特征中选择与所述已选Gabor特征融合后获得最大准确率增量的待选Gabor特征。在步骤e3中，判断所述最大准确率增量是否大于设定阈值。如果判断最大准确率增量大于设定阈值，则执行步骤e4，将选择的所述待选Gabor特征加入到已选Gabor特征中，并返回步骤e2。如果判断最大准确率增量小于设定阈值，则执行步骤e5，直接将先前获得的已选Gabor特征作为所述多个识别Gabor特征。这样，通过重复从待选Gabor特征中选择与已选Gabor特征融合后获得最大准确率增量的待选Gabor特征加入到已选Gabor特征中，直到所述最大准确率增量小于设定阈值，可以基于所述多个Gabor响应生成多个识别Gabor特征。本领域技术人员可以根据实际需要确定所述设定阈值，从而确定迭代的次数。在本实施例中，在经过8轮迭代选择之后，从52个待选Gabor小波中选取8个识别Gabor特征。在本实施例中，可以从这8个识别Gabor特征获取8*185＝1480维的特征。而使用这1480个特征可达到较优的识别效果。
在本发明的其他实施例中，也可以采用其他的方法选择识别Gabor特征，如前向搜索，后向搜索法等等。根据本发明的教导，本领域技术人员可以从多个待选Gabor特征中选择合适的识别Gabor特征。
在步骤f中，通过欧几里德距离计算待识别物体与最相似物体的相似程度，从而待识别物体识别为最相似的物体。在本实施例中，经16类的地物识别测试，准确率达97.21％。
在本发明的其他优选实施例中，也可通过街区距离、马氏距离等计算待识别物体与最相似物体的相似程度。根据本发明的教导，本领域技术人员完全可以使用这些方法进行计算。
图4是根据本发明实施例的基于多光谱数据的物体识别装置的原理框图。如图4所示，本发明的基于多光谱数据的物体识别装置包括获取模块410，Gabor小波模块420，卷积模块430，特征模块440和识别模块450。其中，所述获取模块410用于获取待识别物体的多光谱数据。所述Gabor小波模块420用于生成多个三维Gabor小波。所述卷积模块430用于将所述多光谱数据和所述多个三维Gabor小波进行卷积操作，以得到多个Gabor响应。所述特征模块440用于基于所述多个Gabor响应生成多个识别Gabor特征。所述识别模块450用于基于所述多个识别Gabor特征识别所述待识别物体。
在具体实现过程中，图4示出的本发明的基于多光谱数据的物体识别装置可以依据图1中各个方法步骤，以及上文中示出的各实施例的各个方法步骤想对应。有关这些操作步骤的具体内容已经在前文中做出了详细的描述，在此就不再进行累述了。基于本发明公开的内容，本领域技术人员能够构建本发明的基于多光谱数据的物体识别装置的各个模块，以实现其功能。
实施本发明的多光谱数据的物体识别方法和装置，具有以下有益效果：
1.能够同时抽取物体在X-Y平面、光谱Z轴、以及联合X、Y、Z空间提取物体的变化信息，特征表述能很好的代表物体特性；
2.提取的特征能很好的抑制数据获取过程中的噪声，不需要复杂的分类器和大量训练数据；
3.仿真实验证明该发明可以获得比传统方法更高的识别准确度。
虽然本发明是通过具体实施例进行说明的，本领域技术人员应当明白，在不脱离本发明范围的情况下，还可以对本发明进行各种变换及等同替代。因此，本发明不局限于所公开的具体实施例，而应当包括落入本发明权利要求范围内的全部实施方式。
Claims (6)
1.一种基于多光谱数据的物体识别方法，其特征在于，包括：
S1.获取待识别物体的多光谱数据；
S2.生成多个三维Gabor小波；
S3.将所述多光谱数据和所述多个三维Gabor小波进行卷积操作，以得到多个Gabor响应；
S4.基于所述多个Gabor响应生成多个识别Gabor特征；
S5.基于所述多个识别Gabor特征识别所述待识别物体；
其中所述步骤S4进一步包括：
S41.基于设定参数从所述多个Gabor响应获取多个待选Gabor特征；
S42.使用训练数据从所述多个待选Gabor特征中选择识别准确率最高的待选Gabor特征加入到已选Gabor特征中；
S43.从剩余的所述多个待选Gabor特征中选择与所述已选Gabor特征融合后获得最大准确率增量的待选Gabor特征；
S44.判断所述最大准确率增量是否大于设定阈值，如果是执行步骤S45，否则执行步骤S46；
S45.将选择的所述待选Gabor特征加入到已选Gabor特征中，并返回到步骤S43；
S46.将获得的已选Gabor特征作为所述多个识别Gabor特征。
2.根据权利要求1所述的基于多光谱数据的物体识别方法，其特征在于，所述设定参数包括幅值、相位和/或角度。
3.根据权利要求1所述的基于多光谱数据的物体识别方法，其特征在于，所述步骤S4进一步包括：使用前向搜索或者后向搜索从所述多个Gabor响应生成所述多个识别Gabor特征。
4.根据权利要求1-3中任一权利要求所述的基于多光谱数据的物体识别方法，其特征在于，所述多个识别Gabor特征包括所述待识别物体在X-Y平面、光谱Z轴、以及X、Y、Z空间中特定频率和方向的信号变化特性。
5.根据权利要求1所述的基于多光谱数据的物体识别方法，其特征在于，所述步骤S5进一步包括通过欧几里德距离计算待识别物体与可能的最相似物体的相似程度，从而待识别物体识别为最相似的物体。
6.一种基于多光谱数据的物体识别装置，其特征在于，包括：
获取模块，用于获取待识别物体的多光谱数据；
Gabor小波模块，用于生成多个三维Gabor小波；
卷积模块，用于将所述多光谱数据和所述多个三维Gabor小波进行卷积操作，以得到多个Gabor响应；
特征模块，用于基于所述多个Gabor响应生成多个识别Gabor特征，
识别模块，用于基于所述多个识别Gabor特征识别所述待识别物体；
其中所述特征模块用于：
基于设定参数从所述多个Gabor响应获取多个待选Gabor特征；
使用训练数据从所述多个待选Gabor特征中选择识别准确率最高的待选Gabor特征加入到已选Gabor特征中；
从剩余的所述多个待选Gabor特征中选择与所述已选Gabor特征融合后获得最大准确率增量的待选Gabor特征；
判断所述最大准确率增量是否大于设定阈值，如果则是将选择的所述待选Gabor特征加入到已选Gabor特征中，并返回执行从剩余的所述多个待选Gabor特征中选择与所述已选Gabor特征融合后获得最大准确率增量的待选Gabor特征；否则将获得的已选Gabor特征作为所述多个识别Gabor特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201010611248 CN102156872B (zh) | 2010-12-29 | 2010-12-29 | 一种基于多光谱数据的物体识别方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201010611248 CN102156872B (zh) | 2010-12-29 | 2010-12-29 | 一种基于多光谱数据的物体识别方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102156872A CN102156872A (zh) | 2011-08-17 |
| CN102156872B true CN102156872B (zh) | 2013-03-13 |
Family
ID=44438363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 201010611248 Expired - Fee Related CN102156872B (zh) | 2010-12-29 | 2010-12-29 | 一种基于多光谱数据的物体识别方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102156872B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105740799B (zh) * | 2016-01-27 | 2018-02-16 | 深圳大学 | 基于三维Gabor特征选择的高光谱遥感图像分类方法及系统 |
| CN106897665B (zh) * | 2017-01-17 | 2020-08-18 | 北京光年无限科技有限公司 | 应用于智能机器人的物体识别方法及系统 |
| CN107256407B (zh) * | 2017-04-21 | 2020-11-10 | 深圳大学 | 一种高光谱遥感图像分类方法及装置 |
| CN107330358B (zh) * | 2017-05-17 | 2020-09-01 | 广州视源电子科技股份有限公司 | 后向搜索模型集成方法及装置、存储设备和人脸识别系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1858773A (zh) * | 2005-04-30 | 2006-11-08 | 中国科学院计算技术研究所 | 一种基于Gabor相位模式的图像识别方法 |
| CN101604385A (zh) * | 2009-07-09 | 2009-12-16 | 深圳大学 | 一种掌纹识别方法和掌纹识别装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070127787A1 (en) * | 2005-10-24 | 2007-06-07 | Castleman Kenneth R | Face recognition system and method |
-
2010
- 2010-12-29 CN CN 201010611248 patent/CN102156872B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1858773A (zh) * | 2005-04-30 | 2006-11-08 | 中国科学院计算技术研究所 | 一种基于Gabor相位模式的图像识别方法 |
| CN101604385A (zh) * | 2009-07-09 | 2009-12-16 | 深圳大学 | 一种掌纹识别方法和掌纹识别装置 |
Non-Patent Citations (2)
| Title |
|---|
| Linlin Shen，et al.3D Gabor Wavelets for Evaluating Medical Image Registration Algorithms.《Miar’06 Proceedings of the Third international conference on Medical Imaging and Augmented Reality》.2006,摘要，2.1. |
| Linlin Shen,et al.3D Gabor Wavelets for Evaluating Medical Image Registration Algorithms.《Miar’06 Proceedings of the Third international conference on Medical Imaging and Augmented Reality》.2006,摘要,2.1. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102156872A (zh) | 2011-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rao et al. | A residual convolutional neural network for pan-shaprening | |
| CN101908138B (zh) | 基于噪声独立成分分析的合成孔径雷达图像目标识别方法 | |
| CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
| CN108427934B (zh) | 一种高光谱影像混合像元分解方法 | |
| CN104008574B (zh) | 一种基于无限高斯混合模型的高光谱图像解混方法 | |
| CN107609573B (zh) | 基于低秩分解和空谱约束的高光谱图像时变特征提取方法 | |
| CN101540049B (zh) | 一种高光谱图像的端元提取方法 | |
| CN105117736B (zh) | 基于稀疏深度堆栈网络的极化sar图像分类方法 | |
| Ertürk et al. | Hyperspectral image classification using empirical mode decomposition with spectral gradient enhancement | |
| CN104680184B (zh) | 基于深度rpca的极化sar地物分类方法 | |
| CN102156872B (zh) | 一种基于多光谱数据的物体识别方法和装置 | |
| CN104751181A (zh) | 一种基于相对丰度的高光谱图像解混方法 | |
| JP7152131B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
| CN113420718B (zh) | 基于成分分析和稀疏约束的高光谱异常检测方法及装置 | |
| CN103927557B (zh) | 基于分层模糊证据合成的lidar数据地物分类方法 | |
| CN103969634A (zh) | 基于全极化属性散射中心模型的目标属性特征提取方法 | |
| CN107203779A (zh) | 基于空谱信息保持的高光谱降维方法 | |
| CN112989940A (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
| CN104182997A (zh) | 高光谱图像压缩方法及应用 | |
| Li et al. | A multispectral remote sensing data spectral unmixing algorithm based on variational Bayesian ICA | |
| CN111985501B (zh) | 一种基于自适应高阶张量分解的高光谱图像特征提取方法 | |
| Sahithi et al. | Comparison of support vector machine, artificial neural networks and spectral angle mapper classifiers on fused hyperspectral data for improved LULC classification | |
| CN113435366A (zh) | 一种小波域的多时高光谱图像贝叶斯解混方法 | |
| Sharma et al. | Super-resolution reconstruction and denoising of 3D millimetre-wave images using a complex-valued convolutional neural network | |
| CN107832796B (zh) | 基于曲线波深度阶梯网络模型的sar图像分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| C41 | Transfer of patent application or patent right or utility model | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20160617 Address after: 518000 Guangdong city of Shenzhen province high tech Industrial Park of science and technology in a saibainuo Road No. 19 Building A block 303 Patentee after: SHENZHEN TAISAU INTELLIGENT TECHNOLOGY Co.,Ltd. Address before: 518060 School of computer and software, Shenzhen University, 3668 Nanhai Road, Shenzhen, Guangdong, Nanshan District Patentee before: Shenzhen University |
|
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130313 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |